\n<\/p>\n
Acampar en la ubicaci\u00f3n de los orbes es una estrategia s\u00f3lida: el jugador debe recoger orbes para ganar (imag\u00ednese si los fantasmas de Pac-Man simplemente se quedaran cerca de las entradas a cada esquina del mapa). Tambi\u00e9n hace que el juego sea menos divertido. Los jugadores ya no experimentan una persecuci\u00f3n emocionante. En cambio, la IA podr\u00eda lanzar una emboscada impredecible. Trachel y Peyrot dicen que su objetivo \u00abno es crear bots sobrehumanos, que no ser\u00eda divertido ni atractivo para un jugador novato, sino encontrar formas de incorporar el aprendizaje autom\u00e1tico en las herramientas de IA del juego que ya se utilizan en la producci\u00f3n\u00bb.<\/p>\n
Eso puede sonar aburrido para los jugadores que anhelan una mejor IA. Sin embargo, las t\u00e9cnicas de aprendizaje autom\u00e1tico mostradas por Trachel y Peyrot siguen siendo \u00fatiles para ajustar la dificultad incluso cuando los enemigos a los que se enfrentan los jugadores en el juego final no las utilizan. Julian Togelius, cofundador y director de investigaci\u00f3n de Modl.ai, ha pasado casi cinco a\u00f1os usando IA para probar juegos. Modl.ai usa bots para cazar fallas gr\u00e1ficas, encontrar fallas en la geometr\u00eda del mundo y detectar situaciones que hacen que sea imposible ganar. <\/p>\n
\u201cPuede decirnos qu\u00e9 tipo de estado de falla le interesa. Y luego, b\u00e1sicamente, se ejecuta. Env\u00edas un trabajo y se ejecuta dependiendo de cu\u00e1nto quieras explorar\u201d, dice Togelius. \u201cY, por supuesto, podemos agruparlos por usted y proporcionarle un informe, diciendo que aqu\u00ed es donde parece tener problemas, y as\u00ed sucesivamente\u201d. <\/p>\n
Los bots de prueba de Modl.ai utilizan el aprendizaje autom\u00e1tico para adaptarse a cada juego probado, aunque su implementaci\u00f3n actual limita esas adaptaciones a cada t\u00edtulo espec\u00edfico. Togelius dice que la compa\u00f1\u00eda est\u00e1 creando un prototipo de la adici\u00f3n de aprendizaje profundo que entrenar\u00e1 el comportamiento de los bots en m\u00faltiples juegos. Una vez en uso, los bots de Modl.ai aprender\u00e1n a emular el comportamiento de los jugadores reales, lo que deber\u00eda descubrir de manera m\u00e1s eficiente los problemas que encontrar\u00edan los jugadores.<\/p>\n
Para un verdadero aprendizaje autom\u00e1tico, los motores de juego necesitan una revoluci\u00f3n<\/p>\n
Entonces, cuando se trata de dificultades, el aprendizaje autom\u00e1tico puede ser tanto un problema como una soluci\u00f3n. Pero crear un desaf\u00edo justo y divertido no es el \u00fanico obst\u00e1culo que enfrentan los desarrolladores que desean usar el aprendizaje autom\u00e1tico en los juegos. Los problemas son m\u00e1s profundos, tan profundos que, de hecho, pueden obligar a repensar c\u00f3mo se construyen los juegos.<\/p>\n
El rendimiento es una barrera. El aprendizaje autom\u00e1tico requiere una gran cantidad de datos de entrenamiento para obtener resultados valiosos, y esos datos solo se pueden adquirir jugando un juego miles o decenas de miles de veces (aunque los bots pueden aligerar la carga, una t\u00e1ctica que Trachel y Peyrot usaron para construir su demostraci\u00f3n). Y una vez que se recopilan los datos de entrenamiento, el modelo resultante puede resultar complicado de ejecutar en tiempo real. <\/p>\n
\u201cS\u00ed, el rendimiento es claramente un problema, especialmente con los grandes modelos de ML que procesan cuadros para cada tic del reloj del juego\u201d, dijeron Trachel y Peyrot en un correo electr\u00f3nico. \u201cEn nuestro caso, para evitar problemas de rendimiento, usamos una peque\u00f1a red neuronal que solo infiere en momentos precisos del juego\u201d. Escalar a los enormes entornos de mundo abierto que esperan los jugadores modernos es un asunto completamente diferente.<\/p>\n
Togelius dice que la forma en que funcionan los motores de juegos modernos exacerba el problema. El aprendizaje autom\u00e1tico, dice, \u201cnecesariamente ser\u00e1 lento porque los motores de juegos no est\u00e1n dise\u00f1ados para esto. Una de las muchas razones por las que no vemos una IA moderna m\u00e1s interesante en los juegos es porque Unreal y Unity y todos los dem\u00e1s son b\u00e1sicamente terribles: anti-IA en muchos sentidos\u201d. <\/p>\n
La animaci\u00f3n es otro tema. La mayor\u00eda de los motores de juegos modernos esperan que las animaciones se definan estrictamente cuadro por cuadro. Esto funciona bien cuando los animadores saben con certeza c\u00f3mo se comportar\u00e1n los personajes del juego, pero una IA controlada por el aprendizaje autom\u00e1tico podr\u00eda comportarse de formas que los animadores no esperaban. Los dise\u00f1adores pueden solucionar esto con un enfoque de la animaci\u00f3n basado en la f\u00edsica, pero esto impone a\u00fan m\u00e1s presi\u00f3n sobre el rendimiento en una consola de juegos o hardware de computadora y viene con sus propios desaf\u00edos de desarrollo.<\/p>\n
En resumen, los desarrolladores se enfrentan a un monstruo creado por ellos mismos. Los motores de juegos est\u00e1n dise\u00f1ados para usar \u00e1rboles de comportamiento y acciones preestablecidas para crear mundos de NPC controlados por IA que funcionan bien incluso en hardware escaso. Pero a medida que el aprendizaje autom\u00e1tico gane impulso, ser\u00e1 necesario reconsiderar estas soluciones cl\u00e1sicas.<\/p>\n
\u201cSi vas a hablar con un investigador de aprendizaje autom\u00e1tico que no conoce el dise\u00f1o de juegos, te dir\u00e1: ‘\u00bfPor qu\u00e9 no usas cosas nuevas y obtienes NPC que son m\u00e1s realistas y se adaptan a tu forma de jugar?’, y etc\u00e9tera\u201d, dice Togelius. \u201cPero no puedes simplemente conectar esto a un juego existente. Tienes que repensar qu\u00e9 es el juego\u00bb.<\/p>\n<\/div>\n